Problemas de calidad del OCR y de la IA
En resumen
Dos tipos de aplicaciones adivinan: las de reconocimiento (OCR) adivinan letras a partir de píxeles, y las de IA adivinan significado a partir del texto. Ambas pueden equivocarse de maneras que parecen acertadas. Los buenos resultados vienen de una buena entrada (recta, derecha, con el idioma correcto, con texto de verdad) y de comprobar lo que importa. Esta página da las soluciones en el orden que más compensa.
Detalles
Parte 1: OCR que lee mal
El OCR vive en Imagen a TXT (sale texto), en PDF buscable (capa de texto invisible en tu PDF) y como interruptor dentro de otras aplicaciones (Converter, mosaico de Resize). La misma cura sirve para todos.
La lista de comprobación, por orden de impacto:
- Primero, la orientación. Las páginas de lado o boca abajo perjudican el reconocimiento más que cualquier otra cosa. Searchable tiene un interruptor «La foto de origen está de lado (rota 90°).» (Source photo is sideways (rotate 90°)), pero no detecta la orientación automáticamente. En un PDF, gira antes con Rotación PDF; en una foto, gírala en tu dispositivo.
- Elige el idioma del documento. El idioma equivocado es la causa número uno del texto ilegible. La lista de idiomas tiene unas 35 entradas, entre ellas idiomas cirílicos, árabe, chino (simplificado y tradicional), hindi, japonés, coreano y tailandés. El predeterminado es el inglés, así que un documento que no esté en inglés necesita que ajustes esto.
- Endereza. Mantén Deskew activado en Searchable para fotos de móvil. Para un archivo que ya es un PDF, ejecuta primero Deskew y después Searchable (Deskew produce imágenes de página, así que haz el OCR después, no antes).
- Limpia el fondo. En páginas amarilleadas, sombreadas o selladas, marca «Eliminar fondo/marca de agua» (Remove background/watermark).
- Resolución. Las imágenes diminutas o borrosas dan un texto pobre. Haz la foto o vuelve a escanear con mayor resolución; usa una foto recta y bien iluminada.
- La corrección con IA, al final. «Corregir errores de OCR con IA» (Correct OCR errors with AI) puede arreglar fallos de reconocimiento, pero también puede cambiar palabras. Revisa por muestreo los nombres y los números.
- Divide los archivos largos. Searchable rechaza los documentos muy largos con un mensaje que te pide dividir; usa División de PDF y luego une las partes.
Síntomas
| Síntoma | Solución probable |
|---|---|
| El resultado parece ilegible | Idioma, orientación, resolución |
| «Words are wrong or missing» (palabras equivocadas o ausentes) | Lo mismo; después prueba la limpieza de fondo y la corrección con IA |
| El PDF «se ve igual» tras Searchable | Correcto: la capa de texto es invisible. Pulsa Ctrl+F en tu visor para comprobarlo |
| El texto se puede seleccionar, pero el orden es raro | Las columnas y las tablas son aproximadas; usa Analizador de PDF o la salida a Excel con «tables only» |
| Las tablas salieron como líneas de palabras | El texto sin formato no puede contener tablas; usa Searchable a Excel con «Extraer solo tablas» (Extract tables only) |
| El archivo creció | Se añadió la capa de texto; ejecuta Compresión de PDF |
| Buscar una palabra no encuentra nada, pero la ves | En Buscar en PDF, marca la casilla de escaneado y fija el idioma. En un escaneo, una palabra mal leída no se puede encontrar, así que «sin resultados» no demuestra su ausencia |
Parte 2: aplicaciones de IA y escaneos
La mayoría de las aplicaciones de IA leen la capa de texto de tu PDF. Un escaneo no la tiene.
| Aplicación | Qué ocurre con un escaneo |
|---|---|
| Ask PDF | Se detiene con un mensaje de que los PDF «look scanned» (parecen escaneados) o «No extractable text was found» (no se encontró texto extraíble) y te pide que los hagas buscables |
| PDF Knowledge Base | Muestra el estado «Sin texto (¿escaneado?)» (No text (scanned?)) para ese documento |
| Checklist | Una lista de marcador de posición, o «No checklist items could be extracted» (no se pudo extraer ningún elemento de la lista) |
| Cheat Sheet | Error que pide un PDF con texto o un tema; con un tema, el escaneo puede ignorarse sin avisar |
| Chat Create | No ocurre nada útil tras subir un escaneo |
| Unwatermark | Resultado vacío: no había texto |
| Abstracts | Excepción. Reconoce él mismo las páginas escaneadas, pero despacio, y las páginas sin leer se omiten dentro del límite de tiempo. Si no se puede leer nada, obtienes «No text could be read...» (no se pudo leer ningún texto...) |
| Resume | Funciona, pero la calidad depende del reconocimiento |
La regla: ejecuta primero PDF buscable, comprueba que puedes seleccionar texto en el resultado y sube después ese PDF a la aplicación de IA.
Parte 3: respuestas de la IA que parecen equivocadas
- Confía, pero verifica. Toda salida de IA es un borrador bien organizado (Confianza, verificación y límites). Comprueba cifras, fechas, nombres y redacción legal con la fuente.
- Abre las citas en Ask PDF y PDF KB. Una cita conservada demuestra que el pasaje existe, no que el modelo lo leyera bien.
- «The documents don't cover it.» (los documentos no lo cubren). Créetelo primero, y luego reformula con las palabras del propio documento; la búsqueda se basa tanto en palabras como en significado.
- Los documentos largos se muestrean. Abstracts, Cheat Sheet y PDF KB leen partes de los documentos largos (el plan gratuito lee menos partes; el texto de progreso dice «Extracting key points from N of M parts...», extrayendo puntos clave de N de M partes). Pregunta por capítulos concretos para obtener detalle.
- Los gráficos y las fotos son invisibles. Solo cuenta el texto.
- Las Cheat Sheets solo con tema salen del conocimiento general del modelo y nada las comprueba; da un PDF de origen.
- Petición vaga, respuesta vaga. Checklist necesita un tema concreto; Resume Improve necesita el texto del puesto; indica el público y el resultado.
- Compara dos ejecuciones. Los elementos que aparecen solo en una merecen una revisión. La salida varía entre ejecuciones (TOC AI, SVG Maker, Illustrator, Collage).
- Verificación integrada: los Abstracts de no ficción se comprueban contra el documento tras escribirse cuando hay tiempo; los de ficción, no.
Consulta también Buenas entradas para las aplicaciones de IA.